AI 性能成本下降速度快于以往任何技术

Epoch AI 测算，AI 在固定基准性能水平上的成本每年下降约 13 倍。MIT 在剔除硬件进步与市场竞争因素后，认为算法层面的年进步约为 3 倍。报道同时指出，这并不意味着今天最强的模型一定更便宜，推理模型因每项任务消耗算力更多，成本可能更高。

以往技术成本的下降多由硬件迭代和规模效应驱动，而这次在剥离硬件与竞争因素后，算法本身仍带来约 3 倍的年度进步，说明成本下行有独立于芯片供应的来源，这会改变企业评估模型采购与自建推理时的长期假设。

固定性能基准上的价格下降由两部分构成：一是硬件算力性价比提升，二是算法与训练、推理效率改进。Epoch AI 的 13 倍年降幅是两者叠加结果，MIT 的约 3 倍则试图单独刻画算法贡献。但推理模型通过增加每任务算力换取质量，会抵消单位成本下降。

选型不能只看单价。面向实际业务时，同等质量、响应速度和错误率下的总成本才是可比口径。团队应把评测基准、每任务算力消耗和错误率纳入成本模型，并针对推理模型单独核算算力预算，避免按单位 token 价格做决策。

• 建立按固定基准性能与每任务总算力计的模型成本对比表，替代单纯单价比较
• 对推理模型设置算力与质量权衡的灰度策略，按任务难度动态选择模型档位
• 把算法效率年降幅纳入年度预算假设，定期重估自建推理与调用 API 的盈亏平衡点

• MIT 约 3 倍算法年进步的具体测算范围与适用模型类型尚未在证据中说明
• 13 倍年降幅对应的时间窗口与基准集合未给出
• 推理模型成本高于非推理模型的程度缺少量化数据
• 质量、速度与错误率如何折算进成本尚无统一方法